超硬核科普：讓你一文看懂
人臉識(shí)別技術(shù)流程
小編是個(gè)天生懶惰的人，同時(shí)又是個(gè)急性子，這樣的人最享受被科技服務(wù)的樂趣。
舉個(gè)例子，十多年前大家還在普遍用現(xiàn)金的時(shí)代，小編在商店買東西排隊(duì)結(jié)賬，每當(dāng)看到收銀員找零時(shí)手忙腳亂的樣子就會(huì)心急如焚，只恨不能拿了東西直接走人。那時(shí)候年幼的小編就攥緊拳頭夢(mèng)想著以后一定要發(fā)明一種不用找零錢的方法。
后來這個(gè)在心底萌芽多年的夢(mèng)想被別人實(shí)現(xiàn)了，失望之余小編也樂享其成。用手機(jī)掃掃碼就能付錢可比現(xiàn)金方便快捷多了?？商熘佬【帯皯邪?急癌”晚期，久而久之竟覺得抬手掃碼、輸入密碼這樣的動(dòng)作也很麻煩。所以后來出現(xiàn)的指紋支付算是拯救了小編。
再后來，連手指都不用動(dòng)了，因?yàn)槌霈F(xiàn)了“刷臉支付”，配合手上iPhone的卓越體驗(yàn)，不得不說小編愛死了這個(gè)功能。
嗯，刷臉支付將小編從付錢時(shí)漫長(zhǎng)等待的焦躁和不安中解救了出來，所以在IT之家編輯部的科技氛圍里淫浸多年后，小編覺得有必要為大家講一講“刷臉”到底是個(gè)什么東西，也可算是知恩圖報(bào)了！
“刷臉”，顧名思義，背后是一項(xiàng)關(guān)鍵技術(shù)：人臉識(shí)別。
別看這兩年因?yàn)樵谥悄苁謾C(jī)上的使用而大熱，其實(shí)人臉識(shí)別技術(shù)最早的研究還要追溯到20世紀(jì)50年代，當(dāng)時(shí)已經(jīng)有科學(xué)家在研究人臉輪廓的提取方法，但受限于技術(shù)水平，這項(xiàng)技術(shù)的相關(guān)研究一度停滯，直到20世紀(jì)80年代，人臉識(shí)別的方法才有了新的突破，神經(jīng)生理學(xué)、腦神經(jīng)學(xué)、視覺等相關(guān)知識(shí)被引入，人臉識(shí)別進(jìn)入了新的發(fā)展階段。
所以，當(dāng)前階段的人臉識(shí)別不是單一的技術(shù)，而是融合了神經(jīng)生理學(xué)、腦神經(jīng)學(xué)、計(jì)算機(jī)視覺等多方面學(xué)科的技術(shù)。不過，本質(zhì)上它還是一項(xiàng)計(jì)算機(jī)視覺技術(shù)。
當(dāng)然，IT之家做這篇文章的重點(diǎn)不在于回顧人臉識(shí)別的歷史，而是和大家講講人臉識(shí)別背后的一些基本原理。
我們每天用人臉識(shí)別技術(shù)解鎖手機(jī)、結(jié)賬付款，是那么的自然，但相信很少有同學(xué)深入思考這項(xiàng)技術(shù)背后是怎樣一個(gè)流程。
前面我們說，計(jì)算機(jī)視覺是人臉識(shí)別關(guān)系最緊密的技術(shù)。所以我們從這一點(diǎn)入手。
計(jì)算機(jī)視覺，通俗來說就是利用攝像頭等設(shè)備代替人眼，來獲取圖像，利用計(jì)算機(jī)對(duì)圖像信息進(jìn)行處理，綜合人類的認(rèn)知模式來建立人類視覺的計(jì)算理論。
這其中，最難的無疑是如何處理圖像信息、如何模擬人類的認(rèn)知模式。
為了解決這些問題，計(jì)算機(jī)視覺還引入了圖像處理、模式識(shí)別、圖像理解、圖像生成等學(xué)科的知識(shí)。
圖像處理就是把原始圖像轉(zhuǎn)換成計(jì)算機(jī)更容易識(shí)別的圖像；模式識(shí)別，就是計(jì)算機(jī)判斷自己要識(shí)別的是什么和怎么識(shí)別的過程；圖像理解，就是對(duì)圖像中描述的景物進(jìn)行分析；圖像生成，舉例來說就是當(dāng)圖像的部分信息缺失時(shí)，能夠?qū)⑷笔У男畔⒀a(bǔ)上……
這些都是計(jì)算機(jī)視覺需要借助的學(xué)科技術(shù)。這里面我們要著重講的是模式識(shí)別，它是一個(gè)獨(dú)立的理論體系，具體到計(jì)算機(jī)視覺領(lǐng)域的應(yīng)用，它表示將計(jì)算機(jī)表示出來的圖像和一致的類別進(jìn)行匹配的過程。
有點(diǎn)懂是吧。IT之家為大家通俗解釋一下，所謂“識(shí)別”，就是先認(rèn)識(shí)，然后辨別。認(rèn)識(shí)什么？認(rèn)識(shí)的是圖像和從圖像中總結(jié)的目標(biāo)物體的特征。怎么辨別？就是將總結(jié)出來的特征和自己已經(jīng)掌握的特征庫(kù)進(jìn)行比對(duì)，然后才能實(shí)現(xiàn)辨別。
我們?nèi)祟愖R(shí)別一樣物體也是遵循這個(gè)邏輯，先總結(jié)特征，然后比對(duì)。至于前面的“模式”，就有點(diǎn)抽象了，你可以理解為一種規(guī)律，它影響著特征和類型比對(duì)的結(jié)果。
沒錯(cuò)，人臉識(shí)別本質(zhì)上也是這個(gè)過程。
所以，我們沿著模式識(shí)別的思路，來看看它的整體過程：分別為預(yù)處理、特征提取和分類等。我們畫出如下流程圖：
預(yù)處理是第一步，但是這部分工作可能很多很雜，例如減少圖像中的噪聲干擾、提高清晰度、還有包括圖像濾波、變換、轉(zhuǎn)碼、模數(shù)轉(zhuǎn)化等。
特征提取，就是在預(yù)處理后的圖像中，提取對(duì)識(shí)別有明顯作用的特征，并在這個(gè)過程中降低模式特征的維數(shù)，令其便于處理。這是一個(gè)復(fù)雜的過程，后面我們講到具體方法時(shí)候會(huì)有體現(xiàn)；
分類，就是對(duì)提取到的特征值按照一定的準(zhǔn)則進(jìn)行分類，便于決策。
舉個(gè)例子，計(jì)算機(jī)要識(shí)別出這張照片中的男人，當(dāng)它拿到照片時(shí)，可能覺得畫面太暗，先提個(gè)亮度，然后又發(fā)現(xiàn)噪點(diǎn)太多，再做個(gè)降噪……一頓操作后感覺可以了，再將照片轉(zhuǎn)化為數(shù)字信息，這個(gè)過程是預(yù)處理。
提取出來的特征值會(huì)進(jìn)入單獨(dú)的特征空間，因?yàn)檫@樣可以更好地識(shí)別和做分類。接下來，就要對(duì)特征空間里的數(shù)據(jù)進(jìn)行分類了，讓它們眼睛歸眼睛，鼻子歸鼻子，頭發(fā)歸頭發(fā)……基于這些分類好的數(shù)據(jù)，計(jì)算機(jī)才可以進(jìn)行識(shí)別判斷和決策。
當(dāng)然，為了方便大家理解這個(gè)邏輯過程，IT之家在這里只是舉例粗略地說明，可能不準(zhǔn)確，實(shí)際的步驟也是相當(dāng)復(fù)雜的，還要考慮各種干擾的因素，例如圖像的質(zhì)量不清晰、背景復(fù)雜、圖像光照分布不均勻、目標(biāo)姿勢(shì)角度出現(xiàn)扭曲或者佩戴了頭飾、眼鏡以及張了胡須、化了妝等等各種情況。
還有要說明的一點(diǎn)是，這個(gè)模式識(shí)別的系統(tǒng)是需要一個(gè)自我訓(xùn)練、學(xué)習(xí)的過程的，其中最重要的是對(duì)前面分類錯(cuò)誤率的訓(xùn)練（分類器訓(xùn)練），因?yàn)樵谇懊娴姆诸愔校覀儫o法保證分類的結(jié)果是100%正確的，但必須控制在一定的錯(cuò)誤率之類，這必須通過大量的訓(xùn)練樣本來不斷修正，令錯(cuò)誤率符合要求。
好了，基于以上對(duì)計(jì)算機(jī)視覺模式識(shí)別的討論，我們就可以給出人臉識(shí)別系統(tǒng)的主要功能模塊了：
可能有小伙伴覺得上面這個(gè)舉出功能模塊太簡(jiǎn)單了，所以我們?cè)倬_一些，給出下面的邏輯架構(gòu)圖，相信不難理解：
人臉識(shí)別的主流方法
在上面一部分，我們主要介紹了人臉識(shí)別的基本邏輯流程，其實(shí)人臉識(shí)別的基本思想是比較類似的，都是要將圖像中的特征提取出來，轉(zhuǎn)換到一個(gè)合適的子空間里，然后在這個(gè)子空間里衡量類似性或分類學(xué)習(xí)。但問題在于，對(duì)客觀世界采用怎樣協(xié)調(diào)統(tǒng)一且有成效的表示法？我們要找到怎樣合適的子空間，怎樣去分類，才能區(qū)分不同類，聚集相似的類別？為解決這些問題，衍生出了很多種方法和解決方案。
所以說，我們所說的人臉識(shí)別技術(shù)是籠統(tǒng)的，事實(shí)上，這是一個(gè)很多技術(shù)和方法的集合。
我們不妨依據(jù)上面的邏輯結(jié)構(gòu)圖來逐步說明。
1、預(yù)處理
人臉圖像的預(yù)處理，這一步?jīng)]有太多可說的，主要包括消除噪聲、灰度歸一化、幾何校正等，這些操作一般有現(xiàn)成的算法可以實(shí)現(xiàn)，屬于比較基本的操作。不過要說明的是，這里主要說的是靜態(tài)人臉圖像的預(yù)處理，如果是動(dòng)態(tài)人臉圖像的預(yù)處理，就比較復(fù)雜了，一般是要先將動(dòng)態(tài)人臉圖像分割成一組靜態(tài)人臉圖像，然后對(duì)人臉進(jìn)行邊緣檢測(cè)和定位，在做一系列的處理，這里就不展開了。
2、特征提取
圖像特征的提取是比較關(guān)鍵的一步（上文所說的模式空間向特征空間的跨越），但對(duì)于圖像處理來說也是比較初級(jí)的一步。目前關(guān)于圖像特征提取的方法有很多，但其實(shí)我們想一想，通常而言圖像的特征還是可以歸類的，例如顏色特征、紋理特征、空間關(guān)系特征、形狀特征等，每一種特征都有匹配的方法，其中有一些比較經(jīng)典、好用的方法，例如HOG特征法，LBP特征法，Haar特征法等，小編當(dāng)然不可能一一講解，所以這里選取其中一種——HOG特征法。
HOG特征也叫方向梯度直方圖，它是由Navneet Dalal和Bill Triggs在2005年的一篇博士論文中提出的。我們簡(jiǎn)單來看它是怎么進(jìn)行的。
我們以這張照片為例，第一步是要將它變成黑白的照片，因?yàn)樯市畔⒃谶@里對(duì)識(shí)別并沒有幫助。
在這張黑白照片中，我們從單個(gè)像素看起，觀察它周圍的像素，看它是往哪個(gè)方向逐漸變暗的，然后用箭頭表示這個(gè)像素變暗的方向。
如果對(duì)每個(gè)像素執(zhí)行這樣的操作，這樣所有像素都會(huì)被這樣的箭頭取代，它們表示了像素明暗變化的方向。每一個(gè)這樣的箭頭表示明暗梯度。
事實(shí)上，對(duì)于每一個(gè)像素，給定坐標(biāo)系，我們能夠求出它的梯度方向值。計(jì)算的方法比較復(fù)雜，我們不需要了解，只需要知道這一步是為了捕獲目標(biāo)的輪廓信息，同時(shí)進(jìn)一步弱化光照的干擾。
如果是以這樣的方式做提取的話，計(jì)算量會(huì)很大。所以我們會(huì)把圖像分割成8x8像素的小方塊，叫做一個(gè)Cell，然后對(duì)每個(gè)Cell計(jì)算梯度信息，包括梯度的大小和方向。得到的是這個(gè)Cell的9維特征向量。
相信到這里大家有些不懂了。IT之家再為小伙伴們稍微解釋一下，其實(shí)這一步的目的是為每個(gè)Cell構(gòu)建梯度方向直方圖，直方圖就是我們大家熟知的條形統(tǒng)計(jì)圖，這個(gè)直方圖中，X軸是將方向劃分的區(qū)間，Navneet Dalal等人研究表示劃分9個(gè)區(qū)間效果是最好的，如果是180°的方向，每個(gè)區(qū)間就代表20°。y軸表示某個(gè)方向區(qū)間內(nèi)的梯度大小。這樣就等于是每個(gè)Cell的特征描述符。
▲大致就是這個(gè)意思
這里還有一步，就是如果你的圖像受到光照的影響比較大，那么還可以將一定的Cell組成一個(gè)block，例如2x2個(gè)Cell，這樣每個(gè)block上就是36維的特征向量，然后對(duì)這36維特征向量做規(guī)范化（具體怎樣規(guī)范，涉及到高等數(shù)學(xué)的知識(shí)，大家也不需要知道）。
如果我們輸入的圖像大小是256x512像素，那么就有32x64=2048個(gè)Cell，有31x63=1953個(gè)block，每個(gè)block有36維向量，那么這個(gè)圖像就有1953x36=70308維向量。這70308維向量就是這個(gè)圖像的HOG特征向量了。
當(dāng)然，上面這些步驟你也可都不了解，你只需要知道，最后原始的圖像被表示成了HOG的形式，如下圖：
硬核科普：一文看懂人臉識(shí)別技術(shù)流程
然后根據(jù)這個(gè)HOG形式，在我們的庫(kù)中找到與已知的一些HOG樣式中，看起來最相似的部分。
3、圖像識(shí)別
人臉識(shí)別技術(shù)經(jīng)過科學(xué)家多年的研究和發(fā)展，已經(jīng)形成了多種研究方向和更多種的研究方法，如果我們梳理一下，主要包括基于幾何特征的方法、基于模板的方法、基于模型的方法以及其他方法。
基于幾何特征的方法是比較早期、傳統(tǒng)的方法了，它主要是研究人臉眼睛、鼻子等器官的形狀和結(jié)構(gòu)關(guān)系的幾何描述，以此作為人臉識(shí)別的重要特征。
基于模板的方法基本思想是拿已有的模板和圖像中同樣大小的區(qū)域去比對(duì)，包括基于相關(guān)匹配的方法、特征臉方法、線性判別分析方法、神經(jīng)網(wǎng)絡(luò)方法等。
基于模型的方法的方向是對(duì)人臉的顯著特征進(jìn)行特征點(diǎn)定位，然后進(jìn)行人臉的編碼，再利用相應(yīng)的模型進(jìn)行處理實(shí)現(xiàn)人臉識(shí)別，例如隱馬爾柯夫模型，主動(dòng)形狀模型和主動(dòng)外觀模型的方法等。
▲不同的人臉識(shí)別算法
在人臉識(shí)別領(lǐng)域，有一些比較經(jīng)典的算法，例如特征臉法（Eigenface）、局部二值模式法、Fisherface等，不過IT之家在這里還是還是覺得與時(shí)俱進(jìn)比較好，所以選擇一個(gè)目前應(yīng)用比較廣泛且流行的方法作為示例，叫做OpenFace。當(dāng)然，我們不做實(shí)際的測(cè)試，只是通過它來了解識(shí)別的原理。
OpenFace屬于基于模型的方法，它是一個(gè)開源庫(kù)，包含了landmark，head pose，Actionunions，eye gaze等功能，以及訓(xùn)練和檢測(cè)所有源碼的開源人臉框架。
在前面的步驟中，IT之家已經(jīng)為大家介紹如何通過HOG的方法將圖像中人臉的特征數(shù)據(jù)提取出來，也就是成功檢測(cè)到了人臉。
這時(shí)又有一個(gè)問題，就是這個(gè)人臉的姿勢(shì)好像不是那么“正”，同樣一個(gè)人，如果她的姿勢(shì)，面部的朝向不同，人類仍然能認(rèn)出她來，而計(jì)算機(jī)可能就認(rèn)不出了。
解決這個(gè)問題，有一個(gè)辦法，就是檢測(cè)人臉主要特征的特征點(diǎn)，然后根據(jù)這些特征點(diǎn)對(duì)人臉做對(duì)齊校準(zhǔn)。這是Vahid Kazemi和Josephine Sullivan在2014年發(fā)明的方法，他們給人臉的重要部分選取68個(gè)特征點(diǎn)（Landmarks），這68個(gè)點(diǎn)的位置是固定的，所以只需要對(duì)系統(tǒng)進(jìn)行一些訓(xùn)練，就能在任何臉部找到這68個(gè)點(diǎn)。
有了這68個(gè)點(diǎn)，就可以對(duì)人臉進(jìn)行校正了，主要是通過仿射變換將原來比較歪的臉擺正，盡量消除誤差。這里的仿射變換主要還是進(jìn)行一些旋轉(zhuǎn)、放大縮小或輕微的變形，而不是夸張的扭曲，那樣就不能看了。
▲過程大約是這樣，原來的臉被進(jìn)行了一定程度的校正（圖片來源：OpenFace github說明頁(yè)面）
這樣我們把原始的人臉圖像以及HOG的特征向量輸入，能夠得到一張姿勢(shì)正確的只含有人臉的圖像。
注意，到這一步我們還不能直接拿這張人臉圖像去進(jìn)行比對(duì)，因?yàn)楣ぷ髁刻?，我們要做的是繼續(xù)提取特征。
接著，我們將這個(gè)人臉圖像再輸入一個(gè)神經(jīng)網(wǎng)絡(luò)系統(tǒng)，讓它為這個(gè)臉部生成128維的向量，也可以說是這個(gè)人臉的128個(gè)測(cè)量值，它們可以表示眼睛之間的距離，眼睛和眉毛的距離、耳朵的大小等等。這里只是方便大家理解而舉例，實(shí)際上具體這128維的向量表示了哪些特征，我們不得而知。
當(dāng)然，這一步說起來簡(jiǎn)單，其實(shí)難點(diǎn)在于如何訓(xùn)練這樣的一個(gè)卷積神經(jīng)網(wǎng)絡(luò)。具體的訓(xùn)練方法不是我們需要了解的，但我們可以了解一下訓(xùn)練的思路。訓(xùn)練時(shí)我們可以輸入一個(gè)人臉圖像的向量表示、同一人臉不同姿態(tài)的向量表示和另一人臉的向量表示，反復(fù)進(jìn)行類似的操作，并不斷調(diào)整，調(diào)整的目標(biāo)是讓同一類對(duì)應(yīng)的向量表示盡可能接近，其實(shí)也就是同一個(gè)人的向量表示盡可能距離較近，同理，不同類別的向量表示距離盡可能遠(yuǎn)。至于人工智能神經(jīng)網(wǎng)絡(luò)訓(xùn)練的基本原理，大家可以查看IT之家之前發(fā)布的《AI不是科幻電影里的洪水猛獸，而是被慢慢變革的生活方式》這篇文章。
其實(shí)訓(xùn)練的思路也很好理解，因?yàn)橐粋€(gè)人的人臉不管姿態(tài)怎么變，在一段時(shí)間內(nèi)有些東西是固定的，比如眼睛間的距離、耳朵的大小、鼻子的長(zhǎng)度等。
在得到這128個(gè)測(cè)量值后，最后一步就簡(jiǎn)單了，就是將這128個(gè)測(cè)量值和我們訓(xùn)練、測(cè)試過的所有面部數(shù)據(jù)做比對(duì)，測(cè)量值最接近的，就是我們要識(shí)別的那個(gè)人了。
這樣就可以完成一次人臉的識(shí)別。
總結(jié)
人臉識(shí)別技術(shù)經(jīng)過70多年的發(fā)展，到今天已經(jīng)發(fā)展成為一門以計(jì)算機(jī)視覺數(shù)字信息處理為中心，糅合信息安全學(xué)、語(yǔ)言學(xué)、神經(jīng)學(xué)、物理學(xué)、AI等多學(xué)科交合的綜合性技術(shù)學(xué)科，內(nèi)涵已極為豐富。而IT之家在本文試圖為大家講解的，只是人臉識(shí)別最基礎(chǔ)和通俗的原理以及相對(duì)單一的用例分析，顯然無法涵蓋人臉識(shí)別領(lǐng)域所有的內(nèi)容，只是希望借此對(duì)大家理解、認(rèn)識(shí)如今我們已經(jīng)習(xí)慣使用的人臉識(shí)別功能有所幫助。
國(guó)際調(diào)研機(jī)構(gòu)Gen Market Insights發(fā)布的數(shù)據(jù)顯示，到2025年底全球人臉識(shí)別設(shè)備市場(chǎng)價(jià)值將達(dá)到71.7億美元，智能手機(jī)上對(duì)人臉識(shí)別技術(shù)的廣泛應(yīng)用，只是為我們了解這項(xiàng)技術(shù)提供了一個(gè)契機(jī)，未來，隨著5G萬(wàn)物互聯(lián)時(shí)代的到來，智能硬件市場(chǎng)將得到極大擴(kuò)展，那才是人臉識(shí)別技術(shù)真正大展身手的天地。
嗯，不錯(cuò)，期待這個(gè)時(shí)代早日到來，到時(shí)候小編這張盛世美顏終于能做點(diǎn)有意義的事情了，也算不負(fù)父母恩澤。
